A kompozit mesterséges intelligencia az intelligens módszerek alkalmazásának új, pragmatikus ága, mely a különböző mesterséges intelligencia technikák kombinációját használja a legjobb eredmény elérése érdekében. A kihívás az, hogy a hatékony felhasználáshoz széleskörű, számos módszert és kutatási területet átölelő tudásanyag és tapasztalat szükséges - kiegészülve az egyes technikák alkalmazhatóságára vonatkozó gyakorlati ismeretekkel is.
Tanszékünk kutatásaiban jelentős szerep jut ennek a megközelítésnek. Fontosnak tartjuk, hogy mindig a problémának leginkább megfelelő eszközöket és módszereket alkalmazzuk.

Az intelligens gépi viselkedés előállításának egyik útja az, amikor a természetben, a biológiában előforduló megoldásokat használunk inspirációul. Ennek a megközelítésnek az összefoglaló neve a számítási intelligencia, mely olyan változatos módszereket és technikákat foglal magába, mint a mesterséges neuronhálók, az evolúciós technológiák (pl. genetikus algoritmusok), a fuzzy rendszerek vagy a rajintelligencia.
Tanszékünk kutatásaiban kiemelt szerep jut a számítási intelligencia megközelítésének. Valljuk, hogy a természetben fellelhető "intelligens megoldásokból" tanulni kell. Kollégáink nagy tapasztalattal rendelkeznek ennek különböző részterületein.

A mesterséges neurális hálózatok az emberi agy és idegrendszer működésének, felépítésének matematikai modelljei. Sikeresen alkalmazhatóak nagy adathalmazok rejtett mintázatainak feltárására és megjelenítésére. A technológiát számos területen használják: kép- és alakfelismerésben, természetes nyelvfeldolgozásban, függvényközelítésben, stb. Ez a módszer az alapja napjaink legismertebb mesterséges intelligencia módszerének, a mélytanulásnak (Deep Learning) is.
Tanszékünk széles körű tapasztalattal rendelkezik a mesterséges neurális hálók területén. Munkáink kiterjednek a képfeldolgozás, a természetes nyelvifeldolgozás (NLP), az egészségügyi és a robotikai alkalmazások területére is, különös tekintettel az ember-gép interakciókra.

Az evolúciós technikák az evolúció által inspirált problémamegoldó módszerek gyűjtőneve. Közös ezekben, hogy a probléma lehetséges megoldásait absztrakt egyedek génjei kódolják. Az újabb és újabb generációk egyedei közül a kódolt megoldás minősége alapján szelektálunk, egyre jobb eredményre jutva.
Tanszékünk szerteágazó tapasztalattal rendelkezik az evolúciós technikák terén, beleértve olyan speciális területeket is, mint a bakteriális és memetikus algoritmusok, valamint a fuzzy rendszerek és mesterséges neurális hálózatok evolúciós optimalizálása.

A fuzzy rendszerek a nem-kétértékű logikán alapuló módszerek összefoglaló neve. A valós emberi gondolkodásban kevés dolog annyira egyértelmű, vagy 'fekete-fehér', mint a klasszikus logika igen-nem, 0 vagy 1 világa. Ezt az "elmosódottságot" (fuzzyness) vesszük figyelembe, amikor az egyes állítások igazságtartalmát nem igennel, vagy nemmel, hanem egy függvénnyel adjuk meg. Egy 175 cm magasságú ember esetén nehezen megválaszolható, hogy ő magas, vagy sem. Inkább arról tudunk beszélni, hogy mennyire magas...
Tanszékünk munkatársai nagy tapasztalattal rendelkeznek a fuzzy rendszerek elméletében és alkalmazásában, különösen a fuzzy szabálybázis alapú modellek és azok automatikus identifikációja terén.

Az elosztott mesterséges intelligencia olyan értelmes viselkedést mutató rendszerekkel foglalkozik, amelyekben több szereplő vesz részt. Az intelligens viselkedés lehet a szereplők tudatos együttműködésének eredménye (kooperatív folyamatok), csakúgy, mint a versengésüké (pl. piaci megoldásokat alkalmazó rendszerek). De az is előfordulhat, hogy az együttműködés nem tudatos döntés eredménye, hanem az egymás mellett létező, dolgozó egyedek közvetett egymásra hatása hozza létre, amire a természetben a társas rovarok (hangyák, méhek, stb.) csoportjainál látunk példát
Kollégáink széles körű tapasztalatokkal rendelkeznek az elosztott mesterséges intelligencia számos területén, például a multi-ágens rendszerekben, a rajintelligencia különböző alkalmazásiban, illetve az önszerveződő rendszerek terén.

Az egyre fejlődő technológia lehetővé teszi az egyre bonyolultabb számítások elvégzését valós időben. Ebből a technológiai fejlődésből és a modern számítási módszerek fejlődéséből eredeztethető a Kognitív Robotika egyre szélesebb körű alkalmazása. A robotok mozgását, gesztusait, felismerését a háttérben már egyre komplexebb modellek irányítják, ezáltal is egyre közelebb kerülve a robotok általános használatához. Csapatunk tagjaként tisztelhetünk olyan kutatókat, akik az érzelemfelismerés, gesztusfelismerés, robotjárás, robot gesztusok fejlesztésében jártasak, több más terület mellett.

A mai modern ember egyre szorosabban kapcsolódik az általa fejlesztett technológiákhoz (homo technicus) és azok új vívmányaihoz, ezért egyre fontosabb a megfelelő kommunikáció a két résztvevő (ember és gép) között. A számítógépek megjelenésekor használatukhoz bonyolult kódok sorát kellett beírni. Ehhez képest ma már elvárt, hogy egy gépet a lehető legegyszerűbben lehessen használni. Nem hátrány az sem, ha a gép a visszajelzéseit az adott kontextusnak megfelelő módon kommunikálja.
Tanszékünk kollégái nagy tapasztalattal rendelkeznek az Ember-Számítógép, az Ember-Robot, illetve általánosabban az Ember-Gép Interakciók terén.